SEMI-PointRend: تحسين الدقة والتفاصيل في تحليل عيب أشباه الموصلات لصور SEM

يعد تحليل عيوب أشباه الموصلات لصور المجهر الإلكتروني الماسح (SEM) جزءًا مهمًا من عملية تصنيع أشباه الموصلات. تعد القدرة على اكتشاف العيوب وتحديدها بدقة أمرًا ضروريًا لضمان جودة وموثوقية المنتج النهائي. أتاحت التطورات الحديثة في التعلم الآلي ورؤية الكمبيوتر تطوير خوارزميات قوية يمكنها اكتشاف العيوب في صور SEM وتصنيفها تلقائيًا.

إحدى هذه الخوارزميات تسمى SEMI-PointRend، والتي طورها باحثون في جامعة كاليفورنيا، بيركلي. تستخدم هذه الخوارزمية مزيجًا من التعلم العميق والمعالجة السحابية النقطية لاكتشاف العيوب في صور SEM وتصنيفها بدقة. الخوارزمية قادرة على اكتشاف العيوب وتصنيفها بدقة وتفاصيل عالية، حتى في الصور ذات التباين المنخفض أو الدقة المنخفضة.

تعمل الخوارزمية أولاً عن طريق تحويل صورة SEM إلى سحابة نقطية، وهو تمثيل ثلاثي الأبعاد للصورة. تتم بعد ذلك معالجة السحابة النقطية باستخدام نموذج التعلم العميق لاكتشاف العيوب وتصنيفها. تم تدريب النموذج على مجموعة بيانات كبيرة من صور SEM ذات العيوب المعروفة، مما يسمح له باكتشاف وتصنيف حتى العيوب الصغيرة أو الدقيقة بدقة.

تم اختبار الخوارزمية على مجموعة متنوعة من صور SEM وقد ثبت أنها تحقق دقة تصل إلى 99%. وهذا أعلى بكثير من الطرق التقليدية لاكتشاف العيوب، والتي عادةً ما تبلغ دقتها حوالي 80%. بالإضافة إلى ذلك، فإن الخوارزمية قادرة على اكتشاف العيوب وتصنيفها بتفاصيل عالية، مما يسمح بتحليل أكثر دقة للعيوب.

بشكل عام، تعد SEMI-PointRend أداة قوية للكشف الدقيق عن العيوب في صور SEM وتصنيفها. لقد ثبت أنه يحقق دقة وتفاصيل عالية، مما يجعله أداة لا تقدر بثمن لمصنعي أشباه الموصلات. بفضل قدرته على اكتشاف العيوب وتصنيفها بسرعة ودقة، يمكنه المساعدة في ضمان جودة وموثوقية منتجات أشباه الموصلات.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
• المصدر: ذكاء بيانات أفلاطون: أفلاطونايستريم